深度学习技术在农业干旱监测预测及风险评估中的应用

• Published in: 中国农业气象 Vol. 44; no. 10; pp. 943 - 952
• Main Authors: 黄睿茜, 赵俊芳, 霍治国, 彭慧文, 谢鸿飞
• Format: Journal Article
• Language: Chinese
• Published: 中国气象科学研究院灾害天气国家重点实验室,北京 100081 20.10.2023
• Subjects: Deep learning; Monitoring and prediction; Accuracy; 农业干旱; Risk assessment; 深度学习; 精度; 风险评估; Agricultural drought; 监测预测
• ISSN: 1000-6362
• DOI: 10.3969/j.issn.1000-6362.2023.10.007

人工智能技术的发展,特别是深度学习的出现,推进了农业新发展,是农业现代化生产的新方向.深度学习具有学习能力强、覆盖范围广、适应力强、可移植性好等优点,其开发模拟数据集可以解决实际问题,在农业干旱的监测预测及风险评估中的应用越来越广泛.本文采用文献综述方法,归纳农业干旱监测预测评估技术的发展与应用,总结深度学习模型的原理、优势和不足,概述深度学习模型在农业干旱监测预测及风险评估方面的实际应用,探讨深度学习数据集要求大、数据预处理耗时长、预定义类别范围窄、遥感图像复杂的问题,并对未来研究方向进行展望.结果表明,近年来农业干旱监测预测及风险评估技术取得重要进展,然而由于农业系统的非线性及干旱灾害发生的复杂性,现有技术在适用地域、对象和精准性等方面仍难以满足新形势下实际农业生产的需求.深度学习方法为农业干旱研究提供了新手段,但深度学习模型无法准确表达作物生长具体过程与机理,可尝试探索通过深度学习模型和作物生长模型的耦合来确保深度学习模型的可解释性.对于修正预测序列中存在的误差,可建立基于深度学习模型与大气环流模式的耦合模型,进一步提升模型对中长期农业干旱的预测能力.针对灾害样本容量有限问题,加强基于深度学习和迁移学习的农业干旱监测与评估研究,可进一步提高农业干旱精细化监测与评估精度.针对影响农业干旱形成的因子具有数据量大、类型多样、非线性的特点,采用深度学习与信息融合相结合的方法,可进一步提高区域农业干旱监测预测及风险评估精度.因此,深度学习模型与作物生长模型的耦合、融合深度学习模型和大气环流模式的农业干旱预测、基于深度学习与迁移学习的农业干旱精细化监测与评估、深度学习与信息融合技术相结合的区域农业干旱监测预测及风险评估是未来深度学习技术在农业干旱监测预测及风险评估中应用的发展趋势.